PubMed دسترسی آزاد

Tirzepatide safety in EudraVigilance: descriptive and disproportionality analysis of preferred terms related to suboptimal treatment outcomes and drug-use-related issues.

استودیوی صوتی مقاله

پخش حرفه‌ای فارسی و انگلیسی

در حال بررسی نسخه‌های صوتی ذخیره‌شده…

صوت تولیدشده با هوش مصنوعی است. برای کاربرد علمی یا درمانی، متن و منبع اصلی را بررسی کنید.
خواندن هوشمند فارسی و انگلیسی در حال آماده‌سازی صداهای مرورگر…
تنظیم صدای طبیعی و سرعت

صداهایی که در نامشان «Natural»، «Neural» یا «Online» دیده می‌شود معمولاً طبیعی‌ترند. انتخاب صدا به صداهای نصب‌شده در ویندوز و مرورگر شما بستگی دارد.

چکیده اصلی

OBJECTIVE: As obesity and diabetes are on the verge of an alarming growth, so is the use of tirzepatide, a novel dual glucose-dependent insulinotropic peptide/glucagon-like peptide-1 (GLP-1) receptor agonist (RA) and currently the most effective weight loss-drug. This research aimed to identify reporting patterns related to suboptimal therapeutic outcomes and tirzepatide-related drug-use issues, mining the EudraVigilance (EV). DESIGN: Retrospective pharmacovigilance study using descriptive and disproportionality analyses of reports retrieved from the EV database. SETTINGS: Analysis of individual case safety reports involving tirzepatide in comparison with other GLP-1 RAs in the overall dataset (healthcare professionals (HP) and non-HP reports combined) and in the HP group. OUTCOME MEASURES: Reporting ORs (RORs) with 95% CIs for selected Preferred Terms (PT) related to drug-use issues. RESULTS: Among all analysed PTs, the most frequently reported were 'Off-label use' (n=1521), 'Drug ineffective' (n=425) and 'Off-label use device' (n=99). PTs in HP reports showed lower reporting odds compared with non-HP reports. In the overall dataset, reports involving tirzepatide showed lower reporting odds of the PT 'Drug ineffective' than those involving liraglutide (ROR 0.61, 95% CI 0.54 to 0.70), dulaglutide (ROR 0.72, 95% CI 0.63 to 0.82), exenatide (ROR 0.78, 95% CI 0.67 to 0.92) and semaglutide (ROR 0.81, 95% CI 0.72 to 0.91). However, in HP reports, no difference in reporting odds was observed between tirzepatide and semaglutide. A different pattern was observed for 'off-label use' in the full dataset, with higher reporting odds for tirzepatide vs lixisenatide, dulaglutide and liraglutide, but lower reporting odds vs semaglutide (ROR 0.52, 95% CI 0.49 to 0.55). In contrast, a higher reporting odd for the PT 'off-label use of device' was observed for tirzepatide versus semaglutide (ROR 43.47, 95% CI 16.00 to 118.13) in the overall reports; however, this finding should be interpreted with caution given the wide CI. CONCLUSIONS: This study complements existing evidence from clinical trials and current clinical practice.

نتیجه فارسی

این مطالعه با استفاده از پایگاه داده EudraVigilance، الگوهای گزارش‌دهی مربوط به نتایج درمان نامناسب و مشکلات مصرف دارو تریزپاتید را در مقایسه با سایر رقبای GLP-1 RA بررسی کرد. یافته‌ها نشان داد که تریزپاتید نسبت به برخی داروهای دیگر، شانس گزارش‌دهی کمتری برای 'دارو مؤثر نبود' داشت، اما شانس گزارش‌دهی بالاتری برای 'استفاده خارج از برچسب دستگاه' نسبت به سماگلوتید مشاهده شد.

  • مطالعه از تحلیل توصیفی و عدم تعادل در پایگاه داده EudraVigilance برای بررسی ایمنی تریزپاتید استفاده کرد.
  • شایع‌ترین اصطلاحات گزارش شده شامل 'استفاده خارج از برچسب'، 'دارو مؤثر نبود' و 'استفاده خارج از برچسب دستگاه' بود.
  • تریزپاتید نسبت به لیراگلوتید، دولاگلوتید، اگزناتید و سماگلوتید، شانس گزارش‌دهی کمتری برای 'دارو مؤثر نبود' داشت.
  • در گزارش‌های حرفه‌ایان سلامت، تفاوتی در شانس گزارش‌دهی بین تریزپاتید و سماگلوتید برای 'دارو مؤثر نبود' مشاهده نشد.
  • تریزپاتید نسبت به سماگلوتید، شانس گزارش‌دهی بسیار بالایی برای 'استفاده خارج از برچسب دستگاه' داشت (ROR 43.47).

ترجمه فارسی چکیده

هدف این پژوهش شناسایی الگوهای گزارش‌دهی مرتبط با نتایج درمان نامناسب و مشکلات مصرف دارو تریزپاتید، با استفاده از پایگاه داده EudraVigilance (EV) بود. این مطالعه یک مطالعه پس‌روی داروسازی (pharmacovigilance) بود که گزارش‌های استخراج شده از پایگاه داده EV را با استفاده از تحلیل‌های توصیفی و عدم تعادل بررسی کرد. معیارهای خروجی شامل نسبت‌های شانس گزارش‌دهی (ROR) با 95% فاصله اطمینان برای اصطلاحات ترجیحی (PT) منتخب مرتبط با مشکلات مصرف دارو بود. در میان تمام PTهای تحلیل شده، 'استفاده خارج از برچسب' (n=1521)، 'دارو مؤثر نبود' (n=425) و 'دستگاه استفاده خارج از برچسب' (n=99) بیشترین گزارش‌ها را داشتند. گزارش‌های PT در گزارش‌های حرفه‌ایان سلامت (HP) شانس گزارش‌دهی پایین‌تری نسبت به گزارش‌های غیر-HP نشان دادند. در مجموعه داده، گزارش‌های شامل تریزپاتید شانس گزارش‌دهی پایین‌تری برای PT 'دارو مؤثر نبود' نسبت به لیراگلوتید (ROR 0.61)، دولاگلوتید (ROR 0.72)، اگزناتید (ROR 0.78) و سماگلوتید (ROR 0.81) داشتند. با این حال، در گزارش‌های HP، تفاوتی در شانس گزارش‌دهی بین تریزپاتید و سماگلوتید مشاهده نشد. الگوی متفاوتی برای 'استفاده خارج از برچسب' در مجموعه کامل داده مشاهده شد، با شانس گزارش‌دهی بالاتر برای تریزپاتید نسبت به لیگزناتید، دولاگلوتید و لیراگلوتید، اما شانس گزارش‌دهی پایین‌تر نسبت به سماگلوتید (ROR 0.52). در مقابل، شانس گزارش‌دهی بالاتر برای PT 'استفاده خارج از برچسب دستگاه' برای تریزپاتید نسبت به سماگلوتید (ROR 43.47) در گزارش‌های کلی مشاهده شد؛ با این حال، این یافته باید با احتیاط تفسیر شود به دلیل فاصله اطمینان وسیع.

روش پژوهش

این مطالعه یک مطالعه پس‌روی داروسازی با استفاده از تحلیل‌های توصیفی و عدم تعادل برای گزارش‌های استخراج شده از پایگاه داده EudraVigilance بود.

محدودیت‌ها

محدودیت‌های این مطالعه شامل ماهیت پس‌روی و استفاده از گزارش‌های خودگزارش‌شده است که ممکن است تمایل به گزارش‌دهی بیش از حد یا کمبودها را نشان دهد. همچنین، تفسیر یافته‌ها باید با احتیاط انجام شود.

استخراج ساختاریافته از متن منبع

نمای PICO و پیامدها

جمعیت
گزارش‌های مربوط به تریزپاتید و سایر رقبای GLP-1 RA در پایگاه داده EudraVigilance.
مداخله/مواجهه
تریزپاتید (یک رقیب GLP-1 RA).
مقایسه
سایر رقبای GLP-1 RA (لیراگلوتید، دولاگلوتید، اگزناتید، سماگلوتید، لیگزناتید).
حجم نمونه
نامشخص (تعداد کل گزارش‌ها در متن ذکر نشده است).

متن کامل اصلی

نسخه دارای مجوز در منبع علمی در دسترس است.

لینک مستقیم از metadata منبع گرفته شده و در تب جدید باز می‌شود.

باز کردن متن کامل

کلیدواژه‌ها

Adverse eventsDiabetes Mellitus, Type 2ObesitySafety
در همین زیرشاخه

مقاله‌های مرتبط

PubMed2026

GLP-1R expression and dermatological diseases: a mendelian randomization and real-world study.

BACKGROUND: Although glucagon-like peptide-1 receptor (GLP-1R) is widely expressed in multiple tissues and organs including skin and subcutaneous tissue, with diverse physiological roles in metabolism and immunity, the potential causal association between GLP-1R expression and dermatological diseases remains unclear. METHODS: Available cis-expression quantitative trait loci (cis-eQTLs) were selected as genetic instruments for GLP-1R ex…

PubMed2026

Machine learning-driven pharmacovigilance of antidiabetic drugs: comparative reporting patterns and classification of serious adverse events.

PURPOSE: This study aims to evaluate the comparative adverse drug event (ADE) reporting patterns associated with antidiabetic drugs and develop machine learning (ML)-based classification models for the seriousness of reported ADEs. METHODS: We performed a retrospective analysis of 28,633 antidiabetic-related ADEs reported to the Korea Institute of Drug Safety and Management- Korea Adverse Event Reporting System database (KAERS DB 2505A…

PubMed2026

Artificial Intelligence Across the Pharmaceutical Life Cycle: Implications for Industry-Based Clinical Pharmacists.

Artificial intelligence (AI) is increasingly shaping the pharmaceutical industry. This ACCP commentary examines the implications of AI for industry-based clinical pharmacists across the pharmaceutical life cycle, including drug development, regulatory affairs, medical affairs, health economics and outcomes research, and pharmacovigilance. Artificial intelligence-enabled tools may support target identification, clinical trial design, re…

PubMed2026

FAERS-based pharmacovigilance study of sevoflurane-associated adverse events: A 20-year comprehensive analysis.

BACKGROUND: Sevoflurane, an ether-derived inhalational anesthetic widely used for general anesthesia, requires comprehensive safety evaluation. OBJECTIVES: This study aimed to identify sevoflurane-associated adverse events and detect unexpected safety signals using data from the FDA Adverse Event Reporting System (FAERS). METHODS: We analyzed FAERS data from the first quarter of 2004 through the first quarter of 2024, applying four dis…